[论文解读] Geometric features for voxel-based surface recognition

Dmitry Yarotsky|arXiv (Cornell University)|Jan 16, 2017

3D Shape Modeling and Analysis参考文献 14被引用 6

一句话总结

本文提出了一种基于稀疏体素的几何特征库，用于CAD曲面识别，通过计算内在体积（体积、表面积、平均/高斯曲率）及多尺度下的哈尔小波与统计特征。在ESB数据集上的评估表明，该方法使用浅层决策树实现了高分类准确率，证明了高分辨率统计特征优于原始体素特征，且全局曲率积分对形状识别尤为关键。

ABSTRACT

We introduce a library of geometric voxel features for CAD surface recognition/retrieval tasks. Our features include local versions of the intrinsic volumes (the usual 3D volume, surface area, integrated mean and Gaussian curvature) and a few closely related quantities. We also compute Haar wavelet and statistical distribution features by aggregating raw voxel features. We apply our features to object classification on the ESB data set and demonstrate accurate results with a small number of shallow decision trees.

研究动机与目标

• 开发一种统一的体素化几何特征提取框架，保留空间定位性的同时整合积分几何属性。
• 通过稀疏向量表示实现高效计算，支持多分辨率尺度下的几何特征提取。
• 评估原始特征与聚合特征（哈尔小波、统计特征）在CAD形状分类中的有效性。
• 在一致且解耦的流程中，比较不同特征类型与尺度在分类与检索任务中的性能表现。
• 证明使用丰富几何特征的浅层模型可超越标准布尔体素化与深度学习的性能。

提出的方法

• 通过将曲面与体素网格相交，在每个体素内计算局部内在体积——包括三维体积、表面积、平均曲率积分与高斯曲率积分。
• 采用分层体素化策略将这些特征扩展至多尺度，实现多尺度分析。
• 从原始体素特征中推导出统计特征（分位数0、25、50、75、100）与哈尔小波变换特征，以捕捉分布与频率模式。
• 框架将特征生成与学习过程解耦，支持灵活的后处理与模型训练。
• 通过稀疏向量实现，可在不产生过高内存开销的前提下支持高分辨率体素化（N > 100）。
• 最终分类采用深度为2的XGBoost决策树，基于原始与聚合特征进行训练。

实验结果

研究问题

• RQ1 在不同分辨率尺度下，原始特征与聚合特征中哪一类能实现最佳分类性能？
• RQ2 基于内在体积的特征与统计特征、小波基特征相比，在区分CAD形状方面表现如何？
• RQ3 使用几何体素特征进行有效分类时，最优的树深度与树的数量是多少？
• RQ4 全局特征（如总曲率积分）与局部特征在形状识别任务中表现如何比较？
• RQ5 在浅层树基模型中，高分辨率统计特征在多大程度上优于原始体素特征？

主要发现

• 最佳分类性能由深度为2的XGBoost树实现，表明富含几何特征的浅层模型可极为高效。
• 高分辨率统计特征（在2^1至2^7尺度下）显著优于原始体素特征，尤其在分辨率高于1时表现更优。
• 表现最佳的特征包括VAD、EAD与EV基统计特征，而总面积与总体积未进入前20名特征。
• 分类器更偏好基于平均曲率与高斯曲率积分的特征，表明其具有强大的判别能力。
• 对称化预测使所需树的数量减少约一半，提升了训练效率。
• 测试误差约为0.15，正确分类率达85%，仅在杂项类别中存在轻微混淆。